light-paper-polishing

name	light-paper-polishing
description	对论文分模块润色——语言润色、逻辑重构、结构优化、创新点强化、论证补强、摘要精炼、引言增强、实验分析深化、结论提升。当用户需要改论文、觉得某段不通顺/逻辑弱/创新点不突出时使用。从审稿人角度找逻辑薄弱、论证不足、表达不专业、易被质疑、缺引用、需重组之处，给出具体修改方案与修改后文本。

论文润色（审稿人视角）

不只是改语法

分两层：表层（语言、术语、句式、可读性）+ 深层（逻辑、论证、结构、创新点呈现）。深层优先——审稿人拒稿很少因为语法。

深层维度：审稿人五问（每个论断逐项过）

五问是"审什么"；具体"怎么改"见 references/argument_review.md——Claim–Evidence–Boundary 三件套、Hedging 校准阶梯（主张强度匹配证据）、章节责任分工（Results 不堆机制 / Methods 过可复现测试 / Discussion 才 hedging）、AI 使用披露。两者配套用。 按审稿打分维度组织（综合 Elsevier reviewer 指南与会议式评审）：

1. soundness 方法成立：每个论断有证据(实验/引用/推导)吗？标出"裸论断"。因果是否成立、有没有"未经论证的跳跃"。
2. novelty 创新呈现：贡献是否在摘要/引言/结论三处措辞一致且突出？贡献句用动词开头、可度量。读者能否一眼抓到差异点。
3. clarity 可读性：段落间有断点吗？每段是否有主题句、只服务一个论点（"这段要让审稿人相信什么"）。
4. reproducibility 可复现：方法/设置/超参/数据是否足以复现？实验只报数字没解释就补"为什么"。
5. related-work 引用充分：对比与定位是否到位？缺引用转 m10。正文引用占位统一用机读 citekey \cite{authorYearWord}（第一作者姓+年份+标题首个实词，全小写，如 \cite{zhang2024deep}），发现 [Zhang 2019] 式自由文本占位要改成该公式——否则排版报 undefined citation；此公式与 m10 pin 的 .bib 键同源。

引言按"四段式"对位：背景痛点 → 现有方法不足(动机) → 我们的洞察/做法 → 贡献列表。

表层维度：语言层四查（借 Grammarly 四分法，按学术稿调权重）

1. correctness：语法、拼写、标点、时态语态统一。
2. clarity：删冗余、拆长从句、消除指代不清（"don't make reviewer think"）。
3. delivery/tone：保持正式克制；去口语、去夸大（novel/significantly/very 慎用）。
4. consistency：术语前后一致(a07)、缩写首现定义、数字与单位格式统一。

engagement/华丽用词在学术稿里弱化——别为多样性牺牲精确。 首选可直跑（免费匿名）：LanguageTool 公共云端点 POST https://api.languagetool.org/v2/check，参数 language=en-US（或 auto）、level=picky（开严格风格规则）、motherTongue=zh-CN；匿名实测 HTTP 200，返回 matches[] 带 message/replacements/offset，逐条核对。隐私/批量场景改自托管。 一行可跑示例：

curl -s -X POST "https://api.languagetool.org/v2/check" \
  -d "language=en-US" -d "level=picky" \
  --data-urlencode "text=This sentence have a error." | python -m json.tool

DeepL 改写需付费 key，不能匿名跑：/v2/write/rewrite 两个 host 实测均 404，/v2/translate 实测 403（需 Authorization: DeepL-Auth-Key）；故 DeepL 仅作"有 key 时整句改写参考"，writing_style=academic 偏整句重述、易动术语与作者声音，必须人工复核（端点存活情况见 references.md）。学术措辞向 Writefull"已发表语料惯用表达"思路看齐，而非通用语法。

工作方式：四步流水线（distill → critique → polish → audit）

1. distill：先抓核心贡献，确认每段服务于哪个论点（结构/故事线层，对标 strategist 视角）。
2. critique：审稿人视角列弱点——逐项过"审稿人五问"，标出最易被质疑/追问处，预先补强或加 limitation。
3. polish：改语言——语言层四查，逐模块处理，用户可指定章节。
4. audit：终检一致性/术语/格式/缩写/引用（合规门槛，对标预投稿检查）。

每处修改给出：问题 → 原因 → 修改方案 → 修改后文本，必要时 before/after 对照。重大重构先说思路再改。保留作者声音，不过度改写（DeepL 式整句重述会冲淡声音，慎用）。摘要/引言/结论按 db02 高水平套路(patterns_library 方法论层,领域中立)重写;该套路已剥离 cs.AI/CV 文化背书,润色统计/医学/农业等非 CS 稿时不照搬"beat baseline/SOTA/开源"式表达(见 samples_real D 表偏科警示)。

示范：润色长这样（每处都要走完四栏）

输出格式固定为「原句 → 问题诊断 → 修改后 → 为什么更好」。下面三例分别覆盖深层(soundness)、表层(clarity)、贡献呈现(novelty)三类。

例 1 · 深层 / 裸论断（soundness）

• 原句：Our method significantly outperforms existing approaches and is much more efficient.
• 问题诊断：① "significantly/much more" 是无证据的夸大裸论断，审稿人立刻追问"多少、比谁、显著性检验呢"；② "existing approaches" 含糊，没指明 baseline；③ efficient 维度未定义（时间？显存？）。
• 修改后：On ImageNet, our method improves top-1 accuracy by 2.3 points over ResNet-50 (76.1% vs. 73.8%) while reducing inference latency by 18% (12.4 ms vs. 15.1 ms per image, single A100).
• 为什么更好：把形容词换成可度量数字+具体 baseline+硬件条件，论断从"可被质疑"变成"可被复现"；删掉 significantly，让数据自己说话（呼应表层 delivery：去夸大）。

例 2 · 表层 / 长从句+指代不清（clarity）

• 原句：The model, which is trained on the dataset that we collected and which contains various types of noise that may affect performance, achieves good results.
• 问题诊断：① 三层嵌套从句(which…that…which…that)逼审稿人回读，违反"don't make reviewer think"；② "various types of noise" 指代空泛；③ "good results" 是无信息词。
• 修改后：We train the model on our collected dataset, which contains label noise and sensor artifacts. Despite this noise, the model reaches 89.2% F1.
• 为什么更好：一长句拆成两短句、each 一义；把 "various noise" 落实为两类具体噪声；"good results"→具体指标。可读性、correctness、信息密度同时提升。

例 3 · 贡献呈现（novelty，引言/摘要三处一致）

• 原句：In this paper, we study the problem of domain adaptation and propose some techniques to improve it.
• 问题诊断：① "study / some techniques / improve" 全是软动词，读者抓不到差异点；② 贡献不可度量，无法与 abstract/conclusion 对齐；③ 没点出"洞察"。
• 修改后：We make three contributions: (1) we identify feature-norm collapse as the dominant failure mode in test-time domain adaptation; (2) we propose NormGuard, a regularizer that constrains feature norms during adaptation; (3) NormGuard raises mean accuracy by 3.1 points across five benchmarks.
• 为什么更好：动词开头(identify/propose/raise)、贡献可数可度量、点明洞察(feature-norm collapse)；这三句可原样复用到 abstract 与 conclusion，保证三处措辞一致（彭思达"贡献三处一致"）。

可直跑脚本（scripts/）

三个产物把上面的方法落成可运行工具，输出同构结构化发现（schema 见 references/findings_schema.md）。下游消费：m14 review-rebuttal 模拟审稿前读这份 findings JSON 当预审输入——overclaim/claim_strength 映射到 Soundness/Significance 的 major 意见、ai_tone/punctuation 等映射到 Presentation 的 Minor（字段映射在 m14 SKILL「消费 m08 润色发现」节），故 category 取值与 schema §4 的 severity 分档须稳定，改字段名两处同步。

• scripts/polish.py：封装 LanguageTool 匿名云端点 POST https://api.languagetool.org/v2/check（level=picky、motherTongue=zh-CN）。自动按段落/句子分块（单块 <18000 字符，避开匿名 ~20k 上限），把每条 match 的 offset 映射回原文绝对 line/col。已修限流缺陷：改每 chunk 独立降级——某 chunk 非 200 只对该 chunk 退本地正则、其余 chunk 的 LanguageTool 结果保留（不再一块失败全篇丢弃，mode=mixed）；chunk 间 sleep 控速（~20 req/min），429/5xx 指数退避重试。_meta.http_codes 记运行时真实 HTTP 码，绝不伪造云端结果。
  • 实测（2026-06-06 本环境）：自带样例 → mode=languagetool http=[200]，返回 EN_A_VS_AN/PLURAL_VERB_AFTER_THIS 等真实规则。
  • 跑法：python scripts/polish.py --file paper.txt --json 或 echo "..." | python scripts/polish.py。
• scripts/mechanical_check.py（无需 API）：扫 ① overclaim 黑名单（significant/seminal/novel/outperforms…，统计语境的 significant 已上下文豁免不误报）② AI 腔/填充语 ③ hedge 堆叠 ④ claim_strength：强主张词（prove/conclusively/unprecedented/always…）给 Hedging 阶梯降级建议（对接 references/argument_review.md §2，已纳入 schema §3/§4）⑤ 段落被动句占比超阈值 ⑥ 标点卫生。已修工程缺陷：--latex 先 strip_latex 去 \cite/$...$/注释/environment 再查（保行号，治 .tex 误报）；句切分加缩写保护（et al./e.g./Fig. 不误断）；中文稿支撑中文夸大词/AI 腔词表（显著/大幅提升/综上所述…）。输出 {line,col,category,issue,suggestion,context}。纯 stdlib，任何环境可跑。
  • 跑法：python scripts/mechanical_check.py --file paper.txt --json；.tex 自动或显式 --latex。
• 两脚本无输入时跑内置自检样例，保证 python <script> 永远能跑通。LanguageTool 管表层语法，mechanical_check 管 LanguageTool 漏掉的"学术腔/裸论断"，二者互补。
• scripts/style_fingerprint.py（无需 API）：文风校准。通用润色容易把每个人都改成同一种"标准学术腔"；这个脚本相反——先从用户已认可的过往文稿量出个人文风指纹（句长节奏、被动比例、第一人称、连接词偏好、标点习惯、高频实义词），润色时校准到作者自己的声音，而非抹平成模板。--build past*.txt --out style.json 建指纹；--compare draft.txt --ref style.json 标出待润色稿偏离作者习惯最大的维度并给调整提示。指纹只是统计画像，"改成什么样"仍是作者判断，脚本不自动改写。
  • 跑法：python scripts/style_fingerprint.py --selftest，或建指纹后 --compare draft.txt --ref style.json。
  • 衔接：指纹可存入 a02 memory-pm 的"用户偏好(写作风格)"，跨项目复用。

完整 before/after 范例

一段引言走完四步流水线（原始段落 → 跑脚本命中 → 四栏逐条改 → 终稿，含 overclaim/ai_tone/passive/hedge 四类命中的修法）见 examples/full_pipeline_walkthrough.md。上方「示范：润色长这样」已示范 soundness/clarity/novelty 三种单句改法，端到端整段演示移至 examples 按需查。

衔接

与 m07 交替循环；改完跑 m14 模拟审稿验证；术语对齐 db09；引用问题转 m10（正文 \cite{} 占位用 authorYearWord 公式，与 m10 pin 的 citekey 同源）。交付前过 a08(light-self-review)自检闸门。每轮记录版本到 db09。

落盘工件名（CONVENTIONS §6.1）：m08 在 m07 的 draft.md 同稿上迭代润色，不另起新工件名；版本迭代记入 db09。

工具与方法的逐条核查笔记见 references.md（含 LanguageTool/DeepL 真实端点参数、Writefull/Paperpal/Grammarly 能力边界、各写作 skill 工作流）；结构化发现字段契约见 references/findings_schema.md；可跑脚本在 scripts/polish.py、scripts/mechanical_check.py。